Multi-scale Geospatial Analysis of Forest Ecosystems Tahko 22.-23.3.2011 Tietojenkäsittelytieteen tutkimusmetodit J. Parkkinen, M. Hauta-Kasari & V. Heikkinen
Tutkimus yleisesti Radiometrisen informaation mittaaminen, käsittely ja analysointi: - Regressio ja interpolointi. - Luokittelu ja klusterointi. - Sensorien suunnittelu. (Piirreirroitus, aliavaruuskuvaukset) - Datan pakkaaminen. - Väriavaruudet. 2
Kernel pohjainen oppiminen Reproducing kernel Hilbert space (RKHS) menetelmät: Polynomi-mallit, Radiaaliset kantafunktio (verkot) menetelmät, Tukivektorikoneet, Polyharmoniset ( thin-plate ) splinit, jne. Menetelmät riippumattomia datan dimensiosta tai sen struktuurista ( meshfree methods ). Robusti regressio ja luokittelu kohinan ja suuriulotteisen datan tapauksessa. Funktioilla hyvin määritellyt regulointiominaisuudet. Tarvittaessa, useat mallit voidaan esittää myös ekvivalenttina Gaussin prosessina (ns. Kriging -mallit geostatistiikassa). Syvemmällä matemaattisella tasolla: Sobolev- ja Beppo Levi avaruudet. 3
Fysikaalinen mittaus (data) Kohteen pinnalta heijastuva sähkömagneettinen signaali ja siitä mitattu informaatio riippuu seuraavista tekijöistä (ainakin): 1. Valaistus- ja mittausgeometria. 2. Pinnan karakteriset reflektanssiominaisuudet. 3. Kohteen pinnalle tulevan spektritehon jakauma. 4. Mittalaitteen ominaisuudet. 5. Väliaine (esim. ilmakehä). Passiivisen kuvantamisen tapauksessa valaistuksen ominaisuudet (aurinko, ilmakehä) eivät ole hallinnassa. 4
Bidirectional spectral reflectance distribution function (BSRDF) (adapted from Nicodemus et. al (1977)) Pinta voidaan karakterisoida BSRDF avulla, joka määritellään: Heijastuneen radianssin ja pinnalla olevan irradianssin suhteena. 5
Kaukokartoitus: Hemispherical-conical reflectance (adapted from Nicodemus et. al (1977)) 6
Reflektanssimallit Lambertin BSRDF oletus on yleinen laskennallisissa malleissa: BSRDF on riippumaton valaistus- ja mittausgeometriasta. Käytännössä monet pinnat eivät kuitenkaan ole hyvin approksimoitavissa Lambertin mallilla. Esimerkiksi: Puiden latvusto. 7
Esim. 1: Empiirinen reflektanssin estimointi Reflektanssin estimointi: Estimoidaan kohteen reflektanssi ominaisuuksia tehdyistä spektrimittauksista. Empiirinen malli: Fysikaalista mallia sensorille, kohteen irradianssille ei konstruoida eksplisiittisesti. Ennustava malli perustuu opetusdatan käyttöön. Samat menetelmät BSRDF-normalisoinnissa (esim. Leica ADS multispektrisensorit), ilmakuvien värikalibroinnissa, tai puiden atribuuttien estimoinnissa. 8
Esim. 2: Tukivektorikoneet (SVM) kaukokartoitusdatan luokittelussa. Empiirinen evidenssi: Decision Fusion for the Classification of Hyperspectral Data: Outcome of the 2008 GRS-S Data Fusion Contest Giorgio Licciardi, Fabio Pacifici, Devis Tuia, Saurabh Prasad, Terrance West, Ferdinando Giacco, Christian Thiel, Jordi Inglada, Emmanuel Christophe, Jocelyn Chanussot, and Paolo Gamba. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 47, NO. 11, NOVEMBER 2009 21 tutkimusryhmää, yli 2100 arvioitua luokittelutulosta: Almost all the best methods used some SVM based classifiers. 9
Esim. 3: Sensorien suunnittelu Hyperspektrilaitteissa yleensä suuri määrä kapeita kaistoja. Hyperspektridatan mittaaminen kaukokartoitus sovelluksissa voi olla kuitenkin huomattavan kallista. Kyseistä dataa voidaankin kuitenkin hyödyntää sensorien suunnittelussa. 10
Multispektrikamerat Esim. Leica Airborne Digital Sensor (ADS): - Ground Sampling Distance (GSD) is 40 cm from 4 km flight altitude. - Viivasensori. - Ei optimoitu kasvillisuudelle. 11
Tutkimus:Laboratorimittaukset, 450-950 nm 12
Valaistuksen geometrian vaikutus 13
Tehty aihepiirin tutkimus (2006 2011) Heikkinen, V., Jetsu, T., Parkkinen, J., Hauta-Kasari, M., Jääskeläinen, T., and Lee, S.D. Regularized learning framework in estimation of reflectance spectra from camera responses. Journal of the Optical Society of America A 24(9), 2007, 2673 2683. Heikkinen, V., Lenz, R., Jetsu, T., Parkkinen, J., Hauta-Kasari, M. and Jääskeläinen, T. Evaluation and unification of some methods for estimating reflectance spectra from RGB images. Journal of the Optical Society of America A 25(10), 2008, 2444 2458. Korpela Ilkka, Ørka H. O., Heikkinen V., Tokola T., & Hyyppä J. Range- and AGC normalization of LIDAR intensity data for vegetation classification. ISPRS Journal of Photogrammetry and Remote Sensing 65(4), 2010, 369 379. Heikkinen, V., Tokola, T., Parkkinen, J., Korpela, I., & Jääskeläinen T. Simulated Multispectral Imagery for Tree Species Classification Using Support Vector Machines. IEEE Transactions on Geoscience and Remote sensing 48(3), 2010, 1355 1364. Korpela, I., Heikkinen, V., Honkavaara, E., Rohrbach, F., & Tokola, T. Variation and anisotropy of reflectance of forest trees in radiometrically calibrated airborne line sensor images implications for species classification. Remote Sensing of Environment, in review (revision submitted 2011). Heikkinen, V., Korpela I., Tokola T., Honkavaara E., & Parkkinen, J. An SVM classification of tree species radiometric signatures based on the Leica ADS40 sensor. IEEE Transactions on Geoscience and Remote sensing, in review (revision submitted 2011). 14
Mahdollinen jatkotutkimus Regressio ja luokittelu: - Mallien optimointi tarkemmin kyseiselle datalle. - Probabilistinen näkökulma mukaan. - Funktioavaruuksien tarkempi määrittely. Sensorioptimointi kasvillisuudelle: - Simulointimallin tarkennus (ilmakehä). - Lentokoneesta kuvattuun hyperspektridataan pohjautuva simulointi. Datan fuusio: - Passiivisen ja LiDAR - datan kombinaatiot. - Muut informaatiolähteet (ekologia). 15
Kiitos. www.uef.fi